基于深度学习的含噪声标签图像的分类研究
| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 研究工作的背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.2.1 图像分类的研究现状 | 第11-12页 |
| 1.2.2 深度学习的研究现状 | 第12-14页 |
| 1.3 论文的主要研究内容及组织结构 | 第14-16页 |
| 第二章 图像分类的相关算法研究 | 第16-35页 |
| 2.1 深度学习介绍 | 第16页 |
| 2.2 卷积神经网络 | 第16-25页 |
| 2.2.1 卷积运算 | 第16-20页 |
| 2.2.1.1 基本卷积函数 | 第17-18页 |
| 2.2.1.2 输入及输出 | 第18-19页 |
| 2.2.1.3 核心参数配置 | 第19-20页 |
| 2.2.2 池化操作 | 第20-21页 |
| 2.2.3 正则化方法 | 第21-25页 |
| 2.2.3.1 参数范数惩罚 | 第21-23页 |
| 2.2.3.2 Dropout | 第23-25页 |
| 2.3 循环神经网络 | 第25-27页 |
| 2.3.1 基本循环网络 | 第25-26页 |
| 2.3.2 长短期记忆网络 | 第26-27页 |
| 2.4 特征提取算法 | 第27-31页 |
| 2.4.1 方向梯度直方图 | 第27-29页 |
| 2.4.2 尺度不变特征变换 | 第29-31页 |
| 2.5 传统分类算法 | 第31-34页 |
| 2.5.1 支持向量机 | 第31-33页 |
| 2.5.2 决策树 | 第33-34页 |
| 2.6 本章小结 | 第34-35页 |
| 第三章 含噪声标签图像分类的建模 | 第35-55页 |
| 3.1 数据集介绍 | 第35-37页 |
| 3.2 数据提纯 | 第37-43页 |
| 3.2.1 词-级类别特征设计 | 第37-39页 |
| 3.2.2 词特征向量表示 | 第39-40页 |
| 3.2.3 词相似度度量 | 第40-42页 |
| 3.2.4 提纯结果分析 | 第42-43页 |
| 3.3 课程学习策略设计 | 第43-45页 |
| 3.4 数据重划分 | 第45-54页 |
| 3.4.1 数据降维及可视化 | 第45-47页 |
| 3.4.2 降维结果分析 | 第47-48页 |
| 3.4.3 数据聚类重划分 | 第48-52页 |
| 3.4.4 聚类结果分析 | 第52-54页 |
| 本章小结 | 第54-55页 |
| 第四章 实验结果与分析 | 第55-71页 |
| 4.1 实验背景 | 第55页 |
| 4.2 模型训练 | 第55-63页 |
| 4.2.1 模型架构 | 第55-58页 |
| 4.2.1.1 Inception-v3网络 | 第55-57页 |
| 4.2.1.2 ResNet网络 | 第57-58页 |
| 4.2.2 训练细节 | 第58-60页 |
| 4.2.3 评价准则 | 第60-62页 |
| 4.2.4 模型分析 | 第62-63页 |
| 4.3 实验结果对比及分析 | 第63-69页 |
| 4.4 实验结论 | 第69-71页 |
| 第五章 全文总结与展望 | 第71-73页 |
| 5.1 论文总结 | 第71-72页 |
| 5.2 未来展望 | 第72-73页 |
| 致谢 | 第73-74页 |
| 参考文献 | 第74-78页 |
| 攻硕期间取得的研究成果 | 第78页 |
